여러 명 동시 말해도 화자 구분…엔비디아, 받아쓰기 AI 공개했다

엔비디아(NVIDIA)가 현지시간 10월 28일 받아쓰기 AI 네모트론 3.5 트랜스크라이브(Nemotron 3.5 Transcribe)를 공개했다. 여러 화자를 구분하면서 높은 정확도로 음성을 글로 옮길 수 있다.

네모트론 3.5 트랜스크라이브는 전체 파라미터 340억개 가운데 43억개를 활성화하는 전문가혼합(MoE) 모델이다. 최대 1시간 길이 음성 파일을 넣어 받아쓸 수 있고 40개 언어를 지원한다. 엔비디아는 언어별 받아쓰기 정확도를 업계 최고 수준인 리딩(Leading)과 상용화가 가능한 프로덕션 레디(Production-ready), 지원만 하는 서포티드(Supported) 3단계로 나눴다.

엔비디아가 공개한 시연 영상은 1940년 개봉한 영화 히스 걸 프라이데이(His Girl Friday) 한 장면을 받아쓴 결과를 보여준다. 여러 인물이 빠르게 말을 쏟아내는 장면에서도 화자별로 나눠 정확하게 받아쓴 모습이다.

Meet NVIDIA Nemotron 3.5 Transcribe 🎙️

An open-weight, promptable 30B MoE model with ~4B active parameters that brings transcription in 40 languages, speaker attribution, translation, contextual prompting and audio understanding into one checkpoint.

Watch it keep track of who said what when everyone’s talking at once.

1/ 🧵

— NVIDIA AI (@NVIDIAAI) October 28, 2026

◇ 오픈 모델 중 최고 성능=받아쓰기 AI 성능 순위인 오픈 ASR 리더보드(Open ASR Leaderboard) 영어 부문에서 네모트론 3.5 트랜스크라이브는 오픈 모델 가운데 최고 성능으로 평가받았다. 받아쓰기 오류율을 측정하는 아티피셜애널리시스(Artificial Analysis) 단어 오류율 지수 비스트리밍 부문에서도 복스트럴 스몰 트랜스크라이브(Voxtral Small Transcribe)와 함께 오픈 모델 최고 성능에 올랐다.

활성 파라미터 수와 오류율을 비교하면 네모트론 3.5 트랜스크라이브는 비슷한 정확도를 내는 모델 가운데 활성 파라미터 수가 가장 적다.

네모트론 3.5 트랜스크라이브는 오픈 모델로 허깅페이스(Hugging Face)에서 무료로 내려받을 수 있다. 라이선스는 OpenMDW-1.1이다. 엔비디아는 메모리 사용량을 줄인 양자화 버전도 공개할 계획이다. 모델 개발에 쓴 데이터 세트 그래너리 v2(Granary v2)도 함께 공개했다. 관련 내용은 이곳에서 확인할 수 있다.